 ==>> 点击下载文档 |
与此同时，人工智能、机器人和自动驾驶已成为流行文化的前沿，甚至是政治表述。但
是，我们去年的研究让我们相信这不是一个失败的开端，而是一个拐点。我们将在这个报告
里看到，宏观（更多更快的计算和更多数据的爆炸式增长）和更加微观方面（在深度学习方
面的有益进展，智能硬件和开源方面的增长）的拐点的原因
关于人工智能拐点的更多令人兴奋的方面之一是真实应用案例的增加。例如深度学习促进计
算机视觉的发发展，这些技术做为自然处理语言引人注目地提升了苹果Siri、亚马逊Alexa
和谷歌图片识别的质量，人工智能不是为了技术而技术。大数据和强力技术相结合，创造价
值，获得竞争优势
例如，在医疗领域，图像识别技术可以促进癌症诊断的准确性。在农业领域，农民和制
种者可以利用深度学习促进产量增长。在制药行业，深度学习被用于发现新药。在能源行业，
勘探效率和装备可靠性提升。在金融服务行业，同以前可能的相比，成本降低，新数据应用
于更快速的分析，返回结果。人工智能在应用案例发掘的非常早的阶段使用，同时做为基于
云服务共享的必要的科技，我们相信一波革新将到来，为每个行业创造新的冬天和失业者
人工智能广泛的适用性也让我们认识到它是全球经济的针移技术、提升效率和结束美国经济
增长停滞的驱动。利用GS首席经济学家Jan Hatzius的研究，我们设计了当前的深度资本
不景气指数和它对美国生产力的相关影响。我们相信人工智能技术驱动生产力提升的可能，
就像1990年一样，驱动更多的资本合作和人力效率提升项目，促进增长，促进盈利，扩大
股票价值
我们发现人工智能实实地影响着每个公司、行业和经济因素，对投资者有四个方面值得
注意
生产力。人工智能和机器学习有引发生产力增长的潜力，有益于经济增长，公司盈利，资本
回收和资产估值。根据GS首席经济学家Jan Hatzius“原则上，人工智能看起来的确比上
一波革新在统计学上有表现更好的潜力，人工智能降低成本和人力需求，更高的产品附加值
类型。”例如，同iPhone应用的多样性和可靠性相比，统计学家可能更好的建立并获得这些
商业部门的费用节减革新。广义的人工智能对商业部门的费用结构有广泛的基础性影响，我
由衷相信人工智能将被统计学家采纳，并在整体生产力数字中有所展现。”
优质科技。人工智能和机器学习的速度价值有扭转更便宜的数据中心和网络硬件的趋势的潜
力。我们相信这将驱动硬件、软件和服务领域市场费用的大量变化。例如，1条运行在标准
数据中心上的AWS工作量，同在人工智能优化后的GPU上运行所需的0.9美元相比，每小时
实际计算成本只要0.0065美元
竞争优势。我们看到人工智能和机器学习在改造各行业竞争订单方面的潜力。那些失败于投
资和平衡这些科技风险的管理团队被竞争者超越，这些竞争者受益于他们创建的战略情报、
获得的生产力和资本效率。在41页插图中，我们论证了这些竞争优势是如何应用于医疗、
能源、零售、金融和农业
新公司创建。近10年来（图69~75）在人工智能和机器学习领域，我们已经识别出有超过
150家私营公司.我们相信人工智能的大部分价值将由拥有资源、数据、投资能力的大公司
获得。我们希望风险投资家、企业家和技术专家继续驱动新公司的创建，反过来，驱动实质性的创新和价值创造，至少是，M&A，我们不能无视谷歌或脸书的人工智能出现的可能
接下来的内容中，我们深入了解人工智能，它的历史，由机器学习、围绕这些技术应用的一
路领先的行业和公司所构建的应用生态体系
人工智能是什么？
人工智能是制造智能机器、可学习计算程序和需要人类智慧解决问题的科学和工程。经典地，
这些包括自然语言处理和翻译，视觉感知，模式识别，决策制定等，但应用的数量和复杂性
在快速增长
在这份报告中，我们将大部分分析聚焦在机器学习、人工智能的一个分支、深度学习、机器
学习的一个分支。我们总结了二个关键点：
1. 简化地，机器学习是从案例和经验（例如数据配置）中习得的算法，而不是依赖于硬件
代码和事先定义的规则。换句话说，不是一个开发者来告诉程序如何区分苹果和橘子，而是
算法本身通过喂养数据（训练），自己学会如何区分苹果和橘子
2. 深度学习的主要发展是现有人工智能拐点的驱动力量之一。深度学习是机器学习的分集
大多数传统机器学习方法和特点（例如，可能预测的输入和属性）由人来设计。特征工程是
一个瓶颈，需要有意义的特定技术。在无人管理的深度学习中，重要特征不是由人类来定义，
而是由算法学习和创建
什么是神经网络？
神经网络在AI /机器学习的中充当一种模拟人类大脑的计算机体系结构，在其上可以构建
AI /机器学习程序。它由聚合的连接节点组成，如人类大脑中的神经元般可以解决更复杂的
问题并学习
什么是深度学习？深度学习是一种需要训练大型神经网络的“深层”层次结构，且每层可以
解决问题不同方面的机器学习，从而使系统能解决更复杂问题的。使用上面说到的火车的例
子，深层学习系统包含了识别火车的不同特征的各个层。例如，底层将标识是否具有窗户
如果答案是肯定的，下一层将寻找是否有轮子，接下来将会识别是否是长方形的车等等。直
到这些层共同地将图片识别为火车或彻底否定。随着技术发展，可以支持大型神经网络的训
练，深度学习作为增强机器学习能力的方法已经越来越普遍
什么是监督学习？无监督学习？监督和非监督学习是机器学习的两种类型。在监督学习中，
系统给出一系列“正确答案”的例子。基于这些例子，系统将从正确的答案中学习什么是对
的，从而进行正确预测的输出。监督学习的现实应用包括垃圾邮件的检测（例如，系统可能
有一组标记为“垃圾邮件”并且学习正确识别垃圾邮件的电子邮件）和手写识别
在无监督学习中，系统没有给出正确的答案，而是提供需要自己去发现特征的未标记示例
一个示例将基于大量客户数据中发现的，包括可以将客户分组的某些特征（例如，购买频率）
什么是一些类型的机器学习？
分类。将电子邮件归类为垃圾邮件，识别欺诈，面部识别，语音识别等
聚类。对比图像，文本或语音找到相似的项目; 识别异常行为的集群
预测。基于网络活动和其他元数据预测客户或员工流失的可能性; 基于可穿戴数据预测
健康问题
什么是通用，强大或真实的人工智能？ 通用，强大或真实人工智能是，机器智能算法
完全复制人类智慧，包括人类的独立学习和决策能力。虽然像全脑模拟这样的技术被用于实现通用AI的目标，但是其所需的计算能力数量，仍然远远超出了当前的技术，使得通用的
人工智能基本只存在于理论层面
为什么现在人工智能加速发展？
请记住，我们并不关注于重复独立人类智能且在流行文化中常见的真实、强壮或普遍的人工
智能。必然存在潜在突破点，例如谷歌深度思维AlphaGo系统，不仅击败了世界冠军，而且
使用了没有人曾经做过的行为，我们关注人工智能即刻可触达的经济发展领域
深度学习能力方面的主要飞跃成为当前进行中的AI拐点的催化剂。神经网络，深度学习之
后潜在的科技架构，已经存在了几十年，但是过去的5到10年，三件事发生了改变
1.数据。通过分布于全球持续增长无所不在的互相联系的设备、机器和系统产生的非结构化
数据的数量呈现巨大的增长。拥有的数据越多，神经网络就变得越有效率，意味着随着数据
量的增长，机器语言可以解决的问题的数量也在增长。移动手机、物联网、低耗数据存储的
成熟和处理技术（通常在云端）已经在数量、大小、可靠数据结构方面创造了大量的成长
例如，特斯拉至今已经搜集了780mn英里的驾驶数据，并且每10小时通过它连接的汽车增
加百万公里的数据。Jasper（2016年2月被思科以14亿美元收购）拥有一个平台驱动机器
和机器的沟通，服务于多种汽车制造商和电话公司。Verizon在8月进行了一次类似的投资，
宣布收购Fleetmatics，它通过快速增长的无线网络，连接运输工具上的远程传感器到云端
软件。5G的首次展示将最适当地加速数据可被获取和转移的机率。根据IDC的数字领域报
告，到2020年，每年数据量将达到44ZB（万亿G），5年内年复合增长率达到141%，暗示我
们刚开始看到这些科技可以达到的应用场景
2. 更快的硬件。GPU 的再次使用、低成本计算能力的普遍化，特
